CN113988481B - 一种基于动态矩阵预测控制的风功率预测方法 - Google Patents
一种基于动态矩阵预测控制的风功率预测方法 Download PDFInfo
- Publication number
- CN113988481B CN113988481B CN202111585752.5A CN202111585752A CN113988481B CN 113988481 B CN113988481 B CN 113988481B CN 202111585752 A CN202111585752 A CN 202111585752A CN 113988481 B CN113988481 B CN 113988481B
- Authority
- CN
- China
- Prior art keywords
- wind power
- prediction
- time
- neural network
- dynamic matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 210000002569 neuron Anatomy 0.000 claims description 44
- 238000012937 correction Methods 0.000 claims description 37
- 230000004044 response Effects 0.000 claims description 22
- 230000009471 action Effects 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000008121 plant development Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于动态矩阵预测控制的风功率预测方法,采用两个以上的初始风功率预测子模型,然后采用第一动态矩阵预测控制***对两个以上的初始风功率预测子模型的预测值进行修正,其次,通过回声状态神经网络对初始风功率预测子模型的预测值权重进行动态的确定,最后,再采用第二动态矩阵预测控制***对回声状态神经网络的预测值进行修正,再一次利用动态矩阵预测控制,本发明不仅能够避免回声状态神经网络预测失效,而且能够很好的减轻极端条件下对风功率预测的不准确性带来的影响,实现了对风电场站未来的风功率最优预测。
Description
技术领域
本发明涉及一种基于动态矩阵预测控制的风功率预测方法,属于风功率预测技术领域。
背景技术
风功率预测是以风电场的历史功率、历史风速、地形地貌、数值天气预报、风电机组运行状态等数据建立风电场输出功率的预测模型,以风速、功率、数值天气预报等数据作为模型的输入,结合风电场机组的设备状态及运行工况,预测风电场未来的有功功率。
风功率预测***对接入大量风电的电力***运行有重要意义。电力***是一个复杂的动态***,维持发电、输电、用电之间的功率平衡是电网的责任。没有风电的电力***,电网调度机构根据日负荷曲线可以制定发电计划,满足次日电力的需求。风电场输出功率具有波动性和间歇性,风电的大规模接入导致发电计划制定难度大大增加,风电给电力***的调度运行带来巨大挑战。对风电场输出功率进行预测是缓解电力***调峰、调频压力,提高风电接纳能力的有效手段之一,同时,风电场开发企业也可以利用风电预报选择风力较小的天气合理安排风电机组设备的检修,尽可能减少因风电机组检修无法发电带来的发电量损失。
现有的风功率预测方法主要可分成物理模型法、统计方法和学***稳的时间序列,难以预测强风停机、气温降低导致风叶结冰等突变事件导致的功率突变现象,因此在这些极端灾害条件下风功率预测准确性大打折扣。为了解决这些问题,比较广泛的思路为采用组合预测模型,克服了单一模型预测点误差较大,但组合预测模型中,对于各个子模型权重系数的确定尤其重要,现有的方法有等权重平均法、最小方差法、无约束最小二乘法等,这种组合预测方式的权重系数大多保持不变,其遇到不确定性的天气状态时,其预测精度受限。另外一些确定权重系数的方法有概率权重法、信息熵法、小波分解、遗传算法、神经网络等,虽然这些方法能够实现动态调整各个子模型的权重,同时风功率预测精度也行,但是,其风功率的预测精度依赖于子模型的构建,对于不确定性的天气状态时,其预测精度同样受限。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种准确率高且计算速度快的基于动态矩阵预测控制的风功率预测方法。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于动态矩阵预测控制的风功率预测方法,包括以下步骤:
步骤1,采集风电场的历史风速、地形地貌、数值天气预报以及历史风功率作为历史数据集,并将历史数据集划分为初始风功率历史预测数据集、回声状态神经网络历史预测数据集。
步骤4,通过第一动态矩阵预测控制***将步骤4得到的初始风功率预测子模型预测误差反馈到初始风功率预测子模型的风功率预测值,对初始风功率预测子模型的风功率预测值进行反馈校正,得到初始风功率预测子模型的风功率预测修正值,进而得到初始风功率预测子模型的风功率预测修正矩阵,表示预测时间。
步骤5,构建回声状态神经网络,回声状态神经网络包括依次连接的输入层、储备池以及输出层。
训练时,将步骤4得到的初始风功率预测子模型的风功率预测修正矩阵输入到回声状态神经网络中,对回声状态神经网络进行训练,其中,采用最小二乘法估计储备池内部神经元到输出层内部神经元的连接权值矩阵,得到训练好的回声状态神经网络。
步骤8,通过第二动态矩阵预测控制***将步骤7得到的风功率预测误差反馈到时刻的回声状态神经网络预测值,对时刻的回声状态神经网络预测值的风功率预测值进行反馈校正,得到第二次修正后的时刻的回声状态神经网络预测修正值。
优选的:第一动态矩阵预测控制***的阶跃输入为初始风功率预测子模型预测误差,获取对应的风功率单位阶跃响应的采样数据,,为第一动态矩阵预测控制***的阶跃响应预测模型建模时域,第一动态矩阵预测控制***的阶跃响应预测模型:
其中,为在时刻预测未来个时刻的在有个连续的控制增量,,… , 作用下的风功率预测值输出,为控制时域长度。为在时刻预测未来个时刻在无控制增量作用下的风功率预测值输出,为动态矩阵,其元素为描述***动态特性的阶跃响应系数,为从现在起的未来个时刻的控制变量。
优选的:第一动态矩阵预测控制***的优化性能指标为:
储备池:为个神经元连接而成的稀疏网络,储备池内部神经元之间的连接权值矩阵用表示, 表示储备池内部神经元与神经元的连接权值,连接权值矩阵是一个稀疏矩阵,储备池内部神经元之间连接的稀疏程度用稀疏连接率来表示,输入层内部的神经元与动态储备池内部神经元之间的连接权值用矩阵表示。储备池接受两个方向的输入,一个是来自输入层,另外一个是来自输出层前一个的状态的输出。
储备池神经元的内部状态更新如下:
输出层神经元的内部状态更新如下:
优选的:所述稀疏连接率为0.01-0.05。
本发明相比现有技术,具有以下有益效果:
本发明采用两个以上的初始风功率预测子模型,然后采用第一动态矩阵预测控制***对两个以上的初始风功率预测子模型的预测值进行修正,通过反馈校正和有限时域滚动优化,弥补传统风功率预测方法在极端条件下对风功率预测计算的不准确性。其次,通过回声状态神经网络对初始风功率预测子模型的预测值权重进行动态的确定,防止不确定性数据对预测值进行影响,能够很好的综合各个初始风功率预测子模型的特点。最后,在采用第二动态矩阵预测控制***对回声状态神经网络的预测值进行修正,再一次利用动态矩阵预测控制,基于反馈校正和有限时域滚动优化,避免回声状态神经网络预测失效,通过以上的手段,使得本发明能够很好的减轻极端条件下对风功率预测的不准确性带来的影响,实现了对风电场站未来的风功率最优预测,同时风功率预测精度高。
附图说明
图1为本发明的实施例的流程示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于动态矩阵预测控制的风功率预测方法,如图1所示,包括以下步骤:
步骤1,采集风电场的历史风速、地形地貌、数值天气预报以及历史风功率作为历史数据集,并将历史数据集划分为初始风功率历史预测数据集、回声状态神经网络历史预测数据集。
步骤2,根据初始风功率历史预测数据集建立两个以上的初始风功率预测子模型。根据初始风功率历史预测数据集得到时刻第个初始风功率预测子模型的风功率预测值,,表示初始风功率预测子模型个数。初始风功率预测子模型包括基于物理原理和边界条件模拟大气动力学的数值天气风功率预报模型、基于自回归滑动平均的风功率预报模型、基于卡尔曼滤波的风功率预报模型、基于马尔可夫链的风功率预报模型、基于灰色理论的风功率预报模型、基于人工智能的风功率预报模型(神经网络、支持向量机、极限学习机等),也就是说,本实施例中的初始风功率预测子模型可以是现有的风功率预测模型。
步骤4,通过第一动态矩阵预测控制***将步骤4得到的初始风功率预测子模型预测误差反馈到初始风功率预测子模型的风功率预测值,对初始风功率预测子模型的风功率预测值进行反馈校正,得到初始风功率预测子模型的风功率预测修正值,进而得到初始风功率预测子模型的风功率预测修正矩阵,表示预测时间。
所述第一动态矩阵预测控制***的阶跃输入为初始风功率预测子模型预测误差,获取对应的风功率单位阶跃响应的采样数据,,为第一动态矩阵预测控制***的阶跃响应预测模型建模时域,第一动态矩阵预测控制***的阶跃响应预测模型:
其中,为在时刻预测未来个时刻的在有个连续的控制增量,,… , 作用下的风功率预测值输出,为控制时域长度,表示滚动优化时域长度。为在时刻预测未来个时刻在无控制增量作用下的风功率预测值输出,为动态矩阵,其元素为描述***动态特性的阶跃响应系数,为从现在起的未来个时刻的控制变量。
第一动态矩阵预测控制***的优化性能指标为:
步骤5,构建回声状态神经网络,回声状态神经网络包括输入层、储备池以及输出层,其中:
储备池:为个神经元连接而成的稀疏网络,储备池内部神经元之间的连接权值矩阵用表示, 表示储备池内部神经元与神经元的连接权值,连接权值矩阵是一个稀疏矩阵,储备池内部神经元之间连接的稀疏程度用稀疏连接率来表示,一般选为0.01-0.05,并且为了使网络具有回声状态属性以确保网络稳定,连接权值矩阵的谱半径(必须小于1)。输入层内部的神经元与动态储备池内部神经元之间的连接权值用矩阵表示。储备池接受两个方向的输入,一个是来自输入层,另外一个是来自输出层前一个的状态的输出。
储备池神经元的内部状态更新如下:
输出层神经元的内部状态更新如下:
训练时,将步骤4得到的初始风功率预测子模型的风功率预测修正矩阵输入到回声状态神经网络中,对回声状态神经网络进行训练,其中,采用最小二乘法估计储备池内部神经元到输出层内部神经元的连接权值矩阵,得到训练好的回声状态神经网络。
步骤8,通过第二动态矩阵预测控制***将步骤7得到的风功率预测误差反馈到时刻的回声状态神经网络预测值,对时刻的回声状态神经网络预测值的风功率预测值进行反馈校正,得到第二次修正后的时刻的回声状态神经网络预测修正值。
所述第二动态矩阵预测控制***的阶跃输入为风功率预测误差,获取对应的风功率单位阶跃响应的采样数据,,为第二动态矩阵预测控制***的阶跃响应预测模型建模时域,其他的阶跃响应预测模型、反馈校正、优化性能指标与第一动态矩阵预测控制***类似,在此不再赘述。
本实施例通过两次动态矩阵控制预测,一次是对子模型进行动态矩阵控制预测,一次是对回声状态神经网络进行动态矩阵控制预测,同时采用回声状态神经网络对各个子模型进行动态权重确定,因此,能够有效的防止极端情况对风功率的影响,同时降低了风电自身固有的波动性和间歇性缺点,降低风电的大规模接入导致发电计划制定的难度,降低风电给电力***的调度运行带来的挑战,缓解电力***调峰、调频压力,提高风电接纳能力。另外,风电场开发企业也可以利用风电预报选择风力较小的天气合理安排风电机组设备的检修,尽可能减少因风电机组检修无法发电带来的发电量损失。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于动态矩阵预测控制的风功率预测方法,其特征在于,包括以下步骤:
步骤1,采集风电场的历史风速、地形地貌、数值天气预报以及历史风功率作为历史数据集,并将历史数据集划分为初始风功率历史预测数据集、回声状态神经网络历史预测数据集;
步骤4,通过第一动态矩阵预测控制***将步骤4得到的初始风功率预测子模型预测误差反馈到初始风功率预测子模型的风功率预测值,对初始风功率预测子模型的风功率预测值进行反馈校正,得到初始风功率预测子模型的风功率预测修正值,进而得到初始风功率预测子模型的风功率预测修正矩阵,表示预测时间;
步骤5,构建回声状态神经网络,回声状态神经网络包括依次连接的输入层、储备池以及输出层;
训练时,将步骤4得到的初始风功率预测子模型的风功率预测修正矩阵输入到回声状态神经网络中,对回声状态神经网络进行训练,其中,采用最小二乘法估计储备池内部神经元到输出层内部神经元的连接权值矩阵,得到训练好的回声状态神经网络;
2.根据权利要求1所述基于动态矩阵预测控制的风功率预测方法,其特征在于:第一动态矩阵预测控制***的阶跃输入为初始风功率预测子模型预测误差,获取对应的风功率单位阶跃响应的采样数据,,为第一动态矩阵预测控制***的阶跃响应预测模型建模时域,第一动态矩阵预测控制***的阶跃响应预测模型:
其中,为在时刻预测未来个时刻的在有个连续的控制增量,,… , 作用下的风功率预测值输出,为控制时域长度;为在时刻预测未来个时刻在无控制增量作用下的风功率预测值输出,为动态矩阵,其元素为描述***动态特性的阶跃响应系数,为从现在起的未来个时刻的控制变量;
储备池:为个神经元连接而成的稀疏网络,储备池内部神经元之间的连接权值矩阵, 表示储备池内部神经元与神经元的连接权值,连接权值矩阵是一个稀疏矩阵,储备池内部神经元之间连接的稀疏程度用稀疏连接率来表示,输入层内部的神经元与动态储备池内部神经元之间的连接权值用矩阵表示;储备池接受两个方向的输入,一个是来自输入层,另外一个是来自输出层前一个的状态的输出;
储备池神经元的内部状态更新如下:
输出层神经元的内部状态更新如下:
6.根据权利要求5所述基于动态矩阵预测控制的风功率预测方法,其特征在于:所述稀疏连接率为0.01-0.05。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111585752.5A CN113988481B (zh) | 2021-12-23 | 2021-12-23 | 一种基于动态矩阵预测控制的风功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111585752.5A CN113988481B (zh) | 2021-12-23 | 2021-12-23 | 一种基于动态矩阵预测控制的风功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113988481A CN113988481A (zh) | 2022-01-28 |
CN113988481B true CN113988481B (zh) | 2022-05-03 |
Family
ID=79734108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111585752.5A Active CN113988481B (zh) | 2021-12-23 | 2021-12-23 | 一种基于动态矩阵预测控制的风功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988481B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114583767B (zh) * | 2022-03-10 | 2023-03-17 | 中国电力科学研究院有限公司 | 一种数据驱动的风电场调频响应特性建模方法及*** |
CN116316617B (zh) * | 2023-05-26 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 多场站智能融合的新能源发电功率区域预测方法和*** |
CN117748501B (zh) * | 2024-02-19 | 2024-05-07 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风功率预测方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831475A (zh) * | 2012-08-01 | 2012-12-19 | 华北电力大学 | 用于风电场功率预测模型的正弦归一化方法 |
CN107947166A (zh) * | 2017-12-01 | 2018-04-20 | 湖南水利水电职业技术学院 | 一种基于动态矩阵控制的多能微网变时调度方法及装置 |
CN113193556A (zh) * | 2021-05-12 | 2021-07-30 | 燕山大学 | 基于概率预测模型的短期风电功率预测方法 |
CN113610665A (zh) * | 2021-08-12 | 2021-11-05 | 东北电力大学 | 一种基于多延迟输出回声状态网的风力发电功率预测方法 |
-
2021
- 2021-12-23 CN CN202111585752.5A patent/CN113988481B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831475A (zh) * | 2012-08-01 | 2012-12-19 | 华北电力大学 | 用于风电场功率预测模型的正弦归一化方法 |
CN107947166A (zh) * | 2017-12-01 | 2018-04-20 | 湖南水利水电职业技术学院 | 一种基于动态矩阵控制的多能微网变时调度方法及装置 |
CN113193556A (zh) * | 2021-05-12 | 2021-07-30 | 燕山大学 | 基于概率预测模型的短期风电功率预测方法 |
CN113610665A (zh) * | 2021-08-12 | 2021-11-05 | 东北电力大学 | 一种基于多延迟输出回声状态网的风力发电功率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113988481A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
Kariniotakis et al. | Wind power forecasting using advanced neural networks models | |
CN108564206B (zh) | 一种基于分布式优化和空间相关性的风电功率预测方法 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、***及设备 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及*** | |
CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
CN110555548B (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
CN104036328A (zh) | 自适应风电功率预测***及预测方法 | |
US11808915B2 (en) | Wind power prediction method and system based on deep deterministic policy gradient algorithm | |
CN114757427A (zh) | 自回归修正的lstm智能风电场超短期功率预测方法 | |
CN116885691B (zh) | 一种风电功率爬坡事件间接预测方法 | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN112001537A (zh) | 一种基于灰色模型和支持向量机的短期风电功率预测方法 | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
Chi et al. | Comparison of two multi-step ahead forecasting mechanisms for wind speed based on machine learning models | |
CN113344283A (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
CN115544895B (zh) | 光伏电站年出力保证率模型优化方法 | |
Mendes et al. | Very short-term wind power forecasting: state-of-the-art | |
CN116502747A (zh) | 一种基于概率预测的计及新能源多时间尺度不确定性的电力***备用量化方法 | |
CN111950811B (zh) | 基于双层人工神经网络的区域光伏功率预测方法及*** | |
CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
CN112183814A (zh) | 一种短期风速预测方法 | |
CN112036672A (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及*** | |
Ramakrishnan et al. | Deep Feature Selection for Wind Forecasting‐I |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |